- A+
这篇文章主要介绍了关于Keras Dense层整理，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
我就废话不多说了，大家还是直接看代码吧！
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
|
'''Created on 2018-4-4'''keras.layers.core.Dense(units, #代表该层的输出维度use_bias=True, #是否使用bbias_initializer='zeros', #初始化b权重kernel_regularizer=None, #施加在权重w上的正则项,keras/regularizer.pybias_regularizer=None, #施加在偏置向量b上的正则项activity_regularizer=None, #施加在输出上的正则项kernel_constraint=None, #施加在权重w上的约束项bias_constraint=None #施加在偏置b上的约束项)# 所实现的运算是output = activation(dot(input, kernel)+bias)# model.add(Dense(units=64, activation='relu', input_dim=784))# keras初始化所有激活函数,activation:# keras\activations.py# keras\backend\cntk_backend.py# import cntk as C# 1.softmax：# 对输入数据的最后一维进行softmax，一般用在输出层;# ndim == 2,K.softmax(x),其实调用的是cntk，是一个模块;# ndim >= 2,e = K.exp(x - K.max(x)),s = K.sum(e),return e / s# 2.elu# K.elu(x)# 3.selu: 可伸缩的指数线性单元# alpha = 1.6732632423543772848170429916717# scale = 1.0507009873554804934193349852946# return scale * K.elu(x, alpha)# 4.softplus# C.softplus(x)# 5.softsign# return x / (1 + C.abs(x))# 6.relu# def relu(x, alpha=0., max_value=None):# if alpha != 0.:# negative_part = C.relu(-x)# x = C.relu(x)# if max_value is not None:# x = C.clip(x, 0.0, max_value)# if alpha != 0.:# x -= alpha * negative_part# return x# 7.tanh# return C.tanh(x)# 8.sigmoid# return C.sigmoid(x)# 9.hard_sigmoid# x = (0.2 * x) + 0.5# x = C.clip(x, 0.0, 1.0)# return x# 10.linear# return x# keras初始化所有方法，initializer:# Zeros# Ones# Constant(固定一个值)# RandomNormal(正态分布)# RandomUniform(均匀分布)# TruncatedNormal(截尾高斯分布,神经网络权重和滤波器的推荐初始化方法)# VarianceScaling(该初始化方法能够自适应目标张量的shape)# Orthogonal(随机正交矩阵初始化)# Identiy(单位矩阵初始化，仅适用于2D方阵)# lecun_uniform(LeCun均匀分布初始化)# lecun_normal(LeCun正态分布初始化)# glorot_normal(Glorot正态分布初始化)# glorot_uniform(Glorot均匀分布初始化)# he_normal(He正态分布初始化)# he_uniform(He均匀分布初始化,Keras中文文档写错了)# keras正则化，regularizer:# import backend as K# L1: regularization += K.sum(self.l1 * K.abs(x))# L2: regularization += K.sum(self.l2 * K.square(x)) |
补充知识：keras.layers.Dense()方法及其参数
一、Dense层
|
1
2
3
4
5
6
7
8
9
10
|
keras.layers.Dense(units, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None) |
二、参数
units: 神经元节点数数，鸡输出空间维度。
activation: 激活函数，若不指定，则不使用激活函数 (即线性激活: a(x) = x)。
use_bias: 布尔值，该层是否使用偏置向量。
kernel_initializer: kernel 权值矩阵的初始化器
bias_initializer: 偏置向量的初始化器
kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数
bias_regularizer: 运用到偏置向的的正则化函数
activity_regularizer: 运用到层的输出的正则化函数 (它的 “activation”)。
kernel_constraint: 运用到 kernel 权值矩阵的约束函数
bias_constraint: 运用到偏置向量的约束函数
三、示例
例1：
|
1
2
3
4
5
6
7
8
9
10
|
from keras.layers import Dense# 作为 Sequential 模型的第一层model = Sequential()model.add(Dense(32, input_shape=(16,)))# 现在模型就会以尺寸为 (*, 16) 的数组作为输入，# 其输出数组的尺寸为 (*, 32)# 在第一层之后，你就不再需要指定输入的尺寸了：model.add(Dense(32)) |
注意在Sequential模型的第一层要定义Dense层的形状，此处定义为input_shape=(16,)
例2：
|
1
2
3
4
|
from keras.layers import Densemodel = Sequential()model.add(Dense(512, activation= 'sigmoid', input_dim= 2, use_bias= True)) |
这里定义了一个有512个神经元节点，使用sigmoid激活函数的神经层，此时输入形状参数为input_dim,注意它与input_shape参数的区别。
input_shape：即张量的形状，从前往后对应由外向内的维度
例
[[1],[2],[3]] 这个张量的shape为（3,1）
[[[1,2],[3,4]],[[5,6],[7,8]],[[9,10],[11,12]]]这个张量的shape为（3,2,2）,
[1,2,3,4]这个张量的shape为（4，）
input_dim：代表张量的维度，之前3个例子的input_dim分别为2,3,1。
常见的一种用法：只提供了input_dim=32，说明输入是一个32维的向量，相当于一个一阶、拥有32个元素的张量，它的shape就是（32，）。因此，input_shape=(32, )
四、总结
本文对Dense（）方法及其参数做了详细的介绍，并对其用法进行了大概的讲解，有什么问题可以评论区留言或者联系我，我会及时解答。希望能给大家一个参考。
